我大学毕业论文写的是<< 电动助力转向系统中传动机构的运动学和动力学分析与比较>>,如果只是一般性论文,建议写<<生活中的物理 >>,<<世纪之交谈物理学发展的方向>>,<<物理学前沿问题探索>>之类的较广泛的题目,这样比较容易,相关资料也比较好找
物理问题解决与元认知研究【摘要】文章结合具体学科，分析了元认知在物理问题解决过程中的作用，以及如何通过物理问题解决对元认知进行有效开发。【关键词】物理；问题解决；元认知元认知( Metacognition）是弗拉维尔70年代提出的，此后关于元认知的研究越来越多，这些研究主要集中于阅读理解、记忆和问题解决三大领域，其中问题解决中的元认知研究是九十年代才开始的。研究表明学习能力强的学生元认知水平较高，元认知策略可以修补知识水平的欠缺以及补充、完善问题。本文采取与具体学科相结合的方式，从物理学科的特点出发，从元认知的实质出发，探讨元认知在物理问题解决过程中的作用以及如何对其有效开发。一、元认知在物理问题解决中的作用1976年弗拉维尔对元认知的定义:一个人所具有的关于自己思维活动和学习活动的知识及其实施的控制，是任何调节认知过程的认知活动。 1979年Kluwe认为：元认知是明确专门指向个人的认知活动的积极的、反省的认知加工过程； Schraw & Dennison( 1994)定义：元认知是关于个人对自己学习反省、理解、控制的一种能力。元认知概念包括三方面的内容：元认知知识、元认知体验、元认知监控三种成分。三者相互作用，相互联系，其中元认知监控是元认知中的核心成分，它是学习成功的关键。1. 元认知对物理问题解决的目标进行修正。[1] 元认知使得解题过程具有明确的目标指向性，使解题者的心理活动都朝着目标靠拢。目标是问题解决者主观经验的知觉，它既是问题解决的开始，也是问题解决的归宿，它对问题解决的进程进行指导。解题中问题解决者要监控其解题计划，制订切实可行的目标，致使物理问题解决得以顺利进行。2. 元认知操作驱动物理问题解决的策略。解决物理问题需要一定的策略。策略是在思维模式的作用下反应出来的，它影响着物理问题解决的效率。问题解决者在解题过程中通过以下方式进行认知操作。（1）激活思维并制定策略，即以目标为出发点，将物理材料放入已有的知识背景中，在操作系统的作用下激活认知结构。在元认知基础上，根据材料系统在认知结构中的相似性，寻求物理认知结构中的“相似点”，把问题改组为适合原有知识的形式，或把以前知识通过经验加工成适合现有问题的形式，从而制订解题策略；（2）改组和实施策略，即通过对问题解决进程的反馈，面对问题，有多种解题方法，问题解决者要进行自我评价，实质上就是对问题解决策略的评价，如果发现目标确信无疑而又达不到或不能顺利达到目标时，则将怀疑其策略，有必要对策略进行调整。3. 元认知增强解题者在物理问题解决中的主体意识。鉴于物理学科的特点，一般解决物理问题有一定的困难，这就要求解题者能自我激活，发挥自我作用，排除障碍，产生问题解决的欲望。而元认知在整个问题解决过程中存在着内反馈的调节。（1）通过元认知知识，使解题者能审清题意，对问题的类型、难易程度、所用的知识有初步了解，使其能主动选择有效解题策略；（2）元认知体验的自我启发作用，调动非智力因素参与，产生“知”与“不知”的认知体验和情感体验，产生一些新的思路和方法，对原有的思维进行扩充，可以克服障碍，调动解题者的积极性和自信心；（3）元认知的监控作用，体现在解决问题的整个阶段，解题的前计划，解题过程中的监测，解后的评价、反思。二、通过物理问题解决对学生进行元认知开发学生的元认知能力往往在解题过程中体现，并在解题过程中培养出来，龚志宁（1999）研究发现元认知策略导致学困生成绩低于优生。有人曾经对比优生与物理学困生解题过程研究中。发现元认知能力的高低一定程度决定物理成绩高低。为了让学生“学会学习”，我们应加强学生物理问题元认知能力的培养。1．激发学生的自我意识和培养学习动机。元认知能力的发展以一定的心理发展水平为基础，元认知在学生自我意识产生之后才发展起来。如果没有自我意识，学生不能对自己正在操作的认知对象进行积极的计划、监测、评价、反思。自我意识是以主体及其活动为意识对象，对人的认知活动起着监控作用。在解题学习中，人的自我意识是对自己在问题感知、表征、思考、记忆和体验的意识，对自己的目的、计划、行动以及行动效果的意识。2．剖析思维过程，加强思路教学。以往教师解题只注重解题过程本身以及解题的结果，而忽略学生元认知作用的过程。元认知是认知的认知，元认知时刻在发挥作用，要提高学生的元认知水平，应该让学生体会教师的元认知发挥过程。遇到一个新问题时，向学生示范自己如何分析、寻找有效策略，最终解决问题的整个过程。有时教师也会进入死胡同，但有能力排除障碍。有时教师也犯错，但他运用元认知监控可以修正问题…总而言之，展示教师思维过程，将教师自身过程的自我监控、自我调节展现给学生。[2]3．传授解题的元认知策略（1）善于利用波利亚“自我提示语”Polya波利亚在他的解题理论著作中所给出很多提示语，都是属于元认知的范畴。在解题时经常自觉地运用这些提示语，是提高解题元认知能力的有效途径。如果问得合适，就可能引出好的答案，引出正确的想法。他的基本模式为：第一步——阅读题意，表征问题；第二步——拟定计划，执行步骤；第三步——评价和反思（2）同学之间相互质问（Inquiry）和争论（Argument）质问是学生常采用的方法。学生对一些问题常常被动的接受，争论很少受到重视，但它与询问一样重要，（下转第194页）（上接第184页）通过争论对问题的理解能力比被动地接受强四倍，对一些思考型强的、有多种解法的问题，留给学生讨论，让学生说出自己的解题思路。为什么那样做？原因是什么？为什么选择这种方法？让同学之间相互质疑和争论，每个人对自己和他人的做法进行深入思考和反思，使学生对自己所解的题目有更深层的含义。4．加强不良结构问题的教学结构不良问题(ill-structured problem)相对结构良好问题（well-structured problem ），学生经常面对的是结构良好问题，目标定义明确，提供多种解题方法，而结构不良问题比较模糊，问题不明确，具有不清楚的目标和多样的解题方法，同时又属于开放型题目，对问题很难得到明确的方法。学生对知识不能迁移，而教育者往往对这方面重视不够。国外有这方面的研究，表明经过结构不良问题的训练，学生的元认知解题能力有很大提高。总之提高学生物理问题解决的元认知水平非一朝一夕所能实现的，需要师生共同协作。教师应把学生的元认知能力培养纳入自己的教学目标中，在问题教学中，不断渗透元认知知识和策略的训练内容。调动学生的主体意识，注意元监控的实施，只有这样，学生的元认知水平在物理问题解决中得到开发。【参考文献】[1]朱德全，宋乃庆.谈数学教学中的问题解决与元认知开发[J].学科教育研究，1997，（6）．[2]周丽芳.元认知及其培养[J].天津市教科院学报，2002，（1）.希望对您有帮助。
哥们，北理的吧，我也在写这个，艹，真球蛋疼
颜色：白 物理气味：酸 物理酸碱：酸 化学
物理学，一门十分有趣的科学，它不仅有趣而且非常有用。 我从小就有一份对时间万物探究的心。对于生活中的某些想象，我常常用疑问的眼光看待各种现象。为什么苹果会掉在地上？为什么冰棍冒出的白气会向下飘而不是向上飘？为什么用开水把杯子烫热，立即扣在气球上，气球能把杯子“吸”住等等。自从我学了物理之后，这些问题自然就被一一解答了。但是我这一份探究的心仍然未止。 要学恏一个科目一定要对这科目感兴趣。学习物理也是如此。我对物理感兴趣不仅是因为学习，而且是因为物理在日常生活中相当重要，在生活中应用到的时候很多。我觉得物理是十分有趣的，它好像有一种力量吸引着我，让我不得不为它而着迷。我刚开始接触物理学时，简直是无从入手，我问老师怎样才能学习物理。老师只说了三个简短而又实用的话“勤于观察，勤于动手。勤于思考，重在理解。联系实际，联系社会。”于是我就怀着这段话学习物理。 有一句话道出了各科的特点：“物理难，化学繁，数学习题做不完”，许多学生反映物理难学，不好理解，面对着一道道的物理题，就像是雾中看花一样，总有不识庐山真面目之感，其实，我觉得难不难在于你对该科学习技巧的摸索和掌握，对如何学好物理，我说说自己的感受，希望能起到抛砖引玉的作用。能不能学好物理，在很大程度上决定于你对物理概念能否理解得透彻，物理概念因其抽象性，总有：“只可意会，不可言传”之感。比如“能量”、“惯性”等等这些概念，单靠老师的“言传”并不能传神地表达出概念的真谛所在，而只有自己做到了“意会”才能真正领略出它的全部内涵，这种“意会”的感觉就只有靠我们对概念的反复分析、琢磨才能体会得到，所谓“师傅引进门，修行在个人”意义正在于此。例如“惯性”，书中是这样下定义的：一切物体在没有受到任何力的情况下，总保持静止状态或匀速直线运动状态，这就是著名的牛顿第一定律。在此句中“没有受到任何力”是一个关键词，如果在有受力的情况下，那么这时我们并不能说它就是惯性。而且判断两个没有受到任何力的物体是否有惯性的依据还要看这两个物体是否保持静止状态或匀速直线运动。经过这样的反复分析、琢磨，我们对摩擦力产生的条件、位置、作用、方向自然就会清楚、透彻，哪里还会有似是而非之感呢。 当你看见一样物品时，试着想一想，这东西到底有什么原理？有没有我学过的知识在其中被运用到呢？然后便要动手去研究一番。物理是一门以观察、实验未基础的科学。我们一定要带着目的和问题去探究，否则万物目的地探究是不行的，探究的最终会以失败告终。 我们学习物理，光在课堂上认真听课对学好物理是还不够的，我们应该把课堂上学到的东西投向生活中去，在生活中更一步地去细细地理解。这样既可以巩固知识，使自己学到的东西在脑海里更为深刻，而且还可能会在探究中找到一些自己未曾发现的知识，对自己的知识面会有更高的提高。 概念是死的题目是活的。当你概念背得好说明你的基础不错，说明你肯努力但是物理概念人人都会背说老实话，概念这东西我不怎么背的我关键是多做题目，钻研题目，同时理解概念，以后都不会忘记做物理体要有”情景分析思维”，因为题目是活的，死套公式的题目我们中考少考的什么是”情景分析思维”呢？就是物体在做运动发生的一系列有可能发生的情况做出分析，最后得到结果不要一拿到一个题马上想套公式要先分析。这样才能学好物理。 我的缺点就是不太会背东西，也懒得背，因此我文科比较弱。属于偏科，但是物理我还是很有信心的啦。不要怀疑自己，要相信自己，你们的脑子不苯，因为你们还知道学，只是你们以前没有养成分析的习惯，以后会好的，相信自己。希望尽快采纳
物理是一门历史悠久的自然学科，物理科学作为自然科学的重要分支，不仅对物质文明的进步和人类对自然界认识的深化起了重要的推动作用，而且对人类的思维发展也产生了不可或缺的影响。从亚里士多德时代的自然哲学，到牛顿时代的经典力学，直至现代物理中的相对论和量子力学等，都是物理学家科学素质、科学精神以及科学思维的有形体现。随着科技的发展，社会的进步，物理已渗入到人类生活的各个领域。例如，光是找找汽车中的光学知识就有以下几点： 1． 汽车驾驶室外面的观后镜是一个凸镜 利用凸镜对光线的发散作用和成正立、缩小、虚像的特点，使看到的实物小，观察范围更大，而保证行车安全。 2． 汽车头灯里的反射镜是一个凹镜 它是利用凹镜能把放在其焦点上的光源发出的光反射成为平行光射出的性质做成的。 3． 汽车头灯总要装有横竖条纹的玻璃灯罩 汽车头灯由灯泡、反射镜和灯前玻璃罩组成。根据透镜和棱镜的知识，汽车头灯玻璃罩相当于一个透镜和棱镜的组合体。在夜晚行车时，司机不仅要看清前方路面的情况，还要还要看清路边持人、路标、岔路口等。透镜和棱镜对光线有折射作用，所以灯罩通过折射，根据实际需要将光分散到需要的方向上，使光均匀柔和地照亮汽车前进的道路和路边的景物，同时这种散光灯罩还能使一部分光微向上折射，以便照明路标和里程碑，从而确保行车安全。 4． 轿车上装有茶色玻璃后，行人很难看清车中人的面孔 茶色玻璃能反射一部分光，还会吸收一部分光，这样透进车内的光线较弱。要看清乘客的面孔，必须要从面孔反射足够强的光透射到玻璃外面。由于车内光线较弱，没有足够的光透射出来，所以很难看清乘客的面孔。 5． 除大型客车外，绝大多数汽车的前窗都是倾斜的 当汽车的前窗玻璃倾斜时，车内乘客经玻璃反射成的像在国的前上方，而路上的行人是不可能出现在上方的空中的，这样就将车内乘客的像与路上行人分离开来，司机就不会出现错觉。大型客车较大，前窗离地面要比小汽车高得多，即使前窗竖直装，像是与窗同高的，而路上的行人不可能出现在这个高度，所以司机也不会将乘客在窗外的像与路上的行人相混淆。 再如下面一个例子： 五香茶鸡蛋是人们爱吃的，尤其是趁热吃味道更美。细心的人会发现，鸡蛋刚从滚开的卤汁里取出来的时候，如果你急于剥壳吃蛋，就难免连壳带“肉”一起剥下来。要解决这个问题，有一个诀窍，就是把刚出锅的鸡蛋先放在凉水中浸一会，然后再剥，蛋壳就容易剥下来。 一般的物质（少数几种例外），都具有热胀冷缩的特性。可是，不同的物质受热或冷却的时候，伸缩的速度和幅度各不相同。一般说来，密度小的物质，要比密度大的物质容易发生伸缩，伸缩的幅度也大，传热快的物质，要比传热慢的物质容易伸缩。鸡蛋是硬的蛋壳和软的蛋白、蛋黄组成的，它们的伸缩情况是不一样的。在温度变化不大，或变化比较缓慢均匀的情况下，还显不出什么；一旦温度剧烈变化，蛋壳和蛋白的伸缩步调就不一致了。把煮得滚烫的鸡蛋立即浸入冷水里，蛋壳温度降低，很快收缩，而蛋白仍然是原来的温度，还没有收缩，这时就有一小部分蛋白被蛋壳压挤到蛋的空头处。随后蛋白又因为温度降低而逐渐收缩，而这时蛋壳的收缩已经很缓慢了，这样就使蛋白与蛋壳脱离开来，因此，剥起来就不会连壳带“肉”一起下来了。 明白了这个道理，对我们很有用处。凡需要经受较大温度变化的东西，如果它们是用两种不同材料合在一起做的，那么在选择材料的时候，就必须考虑它们的热膨胀性质，两者越接近越好。工程师在设计房屋和桥梁时，都广泛采用钢筋混凝土，就是因为钢材和混凝土的膨胀程度几乎完全一样，尽管春夏秋冬的温度不同，也不会产生有害的作用力，所以钢筋混凝土的建筑十分坚固。 另外，有些电器元件却是用两种热膨胀性质差别很大的金属制成的。例如，铜片的热膨胀比铁片大，把铜片和铁片钉在一起的双金属片，在同样情况下受热，就会因膨胀程度不同而发生弯曲。利用这一性质制成了许多自动控制装置和仪表。日光灯的“启动器”里就有小巧的双金属片，它随着温度的变化，能够自动屈伸，起到自动开启日光灯的作用。 这样的例子举不胜举，物理是一门实用性很强的科学，与工农业生产、日常生活有着极为密切的联系。物理规律本身就是对自然现象的总结和抽象。 谈到物理学，有些同学觉得很难；谈到物理探究，有同学觉得深不可测；谈到物理学家，有同学更是感到他们都不是凡人。诚然，成为物理学家的人的确屈指可数，但只要勤于观察，善于思考，勇于实践，敢于创新，从生活走向物理，你就会发现：其实，物理就在身边。正如马克思说的：“科学就是实验的科学，科学就在于用理性的方法去整理感性材料”。物理不但是我们的一门学科，更重要的，它还是一门科学。 物理学存在于物理学家的身边。勤于观察的意大利物理学家伽利略，在比萨大教堂做礼拜时，悬挂在教堂半空中的铜吊灯的摆动引起了他极大的兴趣，后来反复观察，反复研究，发明了摆的等时性；勇于实践的美国物理学家富兰克林，为认清“天神发怒”的本质，在一个电闪雷鸣、风雨交加的日子，冒着生命危险，利用司空见惯的风筝将“上帝之火”请下凡，由此发明了避雷针；敢于创新的英国科学家亨利•阿察尔去邮局办事。当时身旁有位外地人拿出一大版新邮票，准备裁下一枚贴在信封上，苦于没有小刀。找阿察尔借，阿察尔也没有。这位外地人灵机一动，取下西服领带上的别针，在邮票的四周整整齐齐地刺了一圈小孔，然后，很利落地撕下邮票。外地人走了，却给阿察尔留下了一串深深的思考，并由此发明了邮票打孔机，有齿纹的邮票也随之诞生了；古希腊阿基米德发现阿基米德原理；德国物理学家伦琴发现X射线；……研究身边的琐事并有大成就的物理学家的事例不胜枚举。 物理学也存在于同学们身边。学了测量的初步知识，同学们纷纷做起了软尺。有位同学别出心裁，用透明胶把制好的牛皮纸软尺包扎好，这样更牢固。然后，用大大卷泡泡糖的包装盒作为软尺的外壳，在盒的中心利用铁丝做一摇柄中心轴，软尺的末端固定在轴上，这样一个可以收拾并反复使用的卷尺诞生了。同时，这位同学受软尺自作的启示，用实验解决了一道习题：用软尺测量物体长度时，若把软尺拉长些，测量值是偏大还是偏小？他做了这样一个模拟实验：在白纸上画一条直线，标上刻度，然后用透明胶粘贴，再扯下来，便做成了“软尺”，用“软尺”不仅找到了上题的答案，而且还清楚地看到分度值变大了，知其然，并知其所以然；学了电学的有关知识后，同学们对蚯蚓能承受的最大电压进行了探究：当给它加上的电压时，蚯蚓迅速分泌粘液，且奋力挣扎，从瓶内跳出瓶外。当给它加上3V的电压时，蚯蚓被电为两截；有同学在测量“、”的小灯泡的功率，并研究其发光情况时，不满足于给灯泡加上的电压，而是用自己早已准备好的小灯泡做破坏性实验，不断加大灯泡两端的电压，直至电压高达9V、灯泡灯丝烧断，才停止探究；有同学在学习蒸发的知识时，不厌其烦地座在桌旁观察相同的两滴水（其中一滴水滩开），进行聚精会神地观察，然后进行分析、对比，得出影响蒸发的因素；……同学们捕捉身边的琐事进行探究的事例屡见不鲜。 身边的事物是取之不尽的，对与现实生活联系很紧密的物理学科来说，更是时时会用到的，用身边的事例去解释和总结物理规律，学生听起来熟悉，接受起来也就容易了。只要时时留意，经常总结，就会不断发现有利于物理教学的事物，丰富我们的课堂，活跃教学气氛，简化概念和规律。新课标告诉我们“义务教育阶段的物理课程应贴近学生生活，符合学生认知特点，激发并保持学生的学习兴趣，通过探索物理现象，揭示隐藏其中的物理规律，并将其应用于生产生活实际，培养学生终身的探索乐趣、良好的思维习惯和初步的科学实践能力。” 今天，人类所有的令人惊叹不已的科学技术成就，如克隆羊、因特网、核电站、航空技术等，无不是建立在早年的科学家们对身边琐事进行观察并研究的基础上的。在学习中，同学们要树立科学意识，大处着眼，小处着手，经历观察、思考、实践、创新等活动，逐步掌握科学的学习方法，训练科学的思维方式，不久你就会拥有科学家的头脑，为自己今后惊叹不已的发展，为今后美好的生活打下扎实的基础。
电磁学是物理学的一个分支。电学与磁学领域有著紧密关系，广义的电磁学可以说是包含电学和磁学，但狭义来说是一门探讨电性与磁性交互关系的学科。 主要研究电磁波，电磁场以及有关电荷，带电物体的动力学等等。电磁学或称电动力学或经典电动力学。之所以称为经典，是因为它不包括现代的量子电动力学的内容。电动力学这样一个术语使用并不是非常严格，有时它也用来指电磁学中去除了静电学、静磁学后剩下的部分，是指电磁学与力学结合的部分。这个部分处理电磁场对带电粒子的力学影响。电磁学的基本理论由19世纪的许多物理学家发展起来，麦克斯韦方程组通过一组方程统一了所有的这些工作，并且揭示出了光作为电磁波的本质。电磁学的基本方程式为麦克斯韦方程组，此方程组在经典力学的相对运动转换（伽利略变换）下形式会变，在伽里略变换下，光速在不同惯性座标下会不同。保持麦克斯韦方程组形式不变的变换为洛伦兹变换，在此变换下，不同惯性座标下光速恒定。二十世纪初迈克耳孙-莫雷实验支持光速不变，光速不变亦成为爱因斯坦的狭义相对论的基石。取而代之，洛伦兹变换亦成为较伽利略变换更精密的惯性座标转换方式。静磁现象和静电现象很早就受到人类注意。中国远古黄帝时候就已经发现了磁石吸铁、磁石指南以及摩擦生电等现象。系统地对这些现象进行研究则始於16世纪。1600年英国医生威廉·吉尔伯特(William Gilbert，1544～1603)发表了<论磁、磁饱和地球作为一个巨大的磁体>(Demagnete，magneticisque corporibus et de magnomagnete tellure)。他总结了前人对磁的研究，周密地讨论了地磁的性质，记载了大量实验，使磁学从经验转变为科学。书中他也记载了电学方面的研究。
自己上百度找，不过最好自己写，这里有一参考： 摘 要：介绍了电磁学计算方法的研究进展和状态，对几种富有代表性的算法做了介绍，并比较了各自的优势和不足，包括矩量法、有限元法、时域有限差分方法以及复射线方法等。 关键词：矩量法；有限元法；时域有限差分方法；复射线方法 1 引 言 1864年Maxwell在前人的理论（高斯定律、安培定律、法拉第定律和自由磁极不存在）和实验的基础上建立了统一的电磁场理论，并用数学模型揭示了自然界一切宏观电磁现象所遵循的普遍规律，这就是著名的Maxwell方程。在11种可分离变量坐标系求解Maxwell方程组或者其退化形式，最后得到解析解。这种方法可以得到问题的准确解，而且效率也比较高，但是适用范围太窄，只能求解具有规则边界的简单问题。对于不规则形状或者任意形状边界则需要比较高的数学技巧，甚至无法求得解析解。20世纪60年代以来，随着电子计算机技术的发展，一些电磁场的数值计算方法发展起来，并得到广泛地应用，相对于经典电磁理论而言，数值方法受边界形状的约束大为减少，可以解决各种类型的复杂问题。但各种数值计算方法都有优缺点，一个复杂的问题往往难以依靠一种单一方法解决，常需要将多种方法结合起来，互相取长补短，因此混和方法日益受到人们的重视。 本文综述了国内外计算电磁学的发展状况，对常用的电磁计算方法做了分类。 2 电磁场数值方法的分类 电磁学问题的数值求解方法可分为时域和频域2大类。频域技术主要有矩量法、有限差分方法等，频域技术发展得比较早，也比较成熟。时域法主要有时域差分技术。时域法的引入是基于计算效率的考虑，某些问题在时域中讨论起来计算量要小。例如求解目标对冲激脉冲的早期响应时，频域法必须在很大的带宽内进行多次采样计算，然后做傅里叶反变换才能求得解答，计算精度受到采样点的影响。若有非线性部分随时间变化，采用时域法更加直接。另外还有一些高频方法，如GTD，UTD和射线理论。 从求解方程的形式看，可以分为积分方程法（IE）和微分方程法（DE）。IE和DE相比，有如下特点：IE法的求解区域维数比DE法少一维，误差限于求解区域的边界，故精度高；IE法适合求无限域问题，DE法此时会遇到网格截断问题；IE法产生的矩阵是满的，阶数小，DE法所产生的是稀疏矩阵，但阶数大；IE法难以处理非均匀、非线性和时变媒质问题，DE法可直接用于这类问题〔1〕。 3 几种典型方法的介绍 有限元方法是在20世纪40年代被提出，在50年代用于飞机设计。后来这种方法得到发展并被非常广泛地应用于结构分析问题中。目前，作为广泛应用于工程和数学问题的一种通用方法，有限元法已非常著名。 有限元法是以变分原理为基础的一种数值计算方法。其定解问题为： 应用变分原理，把所要求解的边值问题转化为相应的变分问题，利用对区域D的剖分、插值，离散化变分问题为普通多元函数的极值问题，进而得到一组多元的代数方程组，求解代数方程组就可以得到所求边值问题的数值解。一般要经过如下步骤： ①给出与待求边值问题相应的泛函及其变分问题。 ②剖分场域D，并选出相应的插值函数。 ③将变分问题离散化为一种多元函数的极值问题，得到如下一组代数方程组： 其中：Kij为系数（刚度）矩阵；Xi为离散点的插值。 ④选择合适的代数解法解式（2），即可得到待求边值问题的数值解Xi（i＝1，2，…，N） （2）矩量法 很多电磁场问题的分析都归结为这样一个算子方程〔2〕： L（f）＝g（3）其中：L是线性算子，f是未知的场或其他响应，g是已知的源或激励。 在通常的情况下，这个方程是矢量方程（二维或三维的）。如果f能有方程解出，则是一个精确的解析解，大多数情况下，不能得到f的解析形式，只能通过数值方法进行预估。令f在L的定义域内被展开为某基函数系f1，f2，f3，…，fn的线性组合： 其中：an是展开系数，fn为展开函数或基函数。 对于精确解式（2）通畅是无限项之和，且形成一个基函数的完备集，对近似解，将式 （2）带入式（1），再应用算子L的线性，便可以得到： m＝1，2，3，… 此方程组可写成矩阵形式f，以解出f。矩量法就是这样一种将算子方程转化为矩阵方程的一种离散方法。 在电磁散射问题中，散射体的特征尺度与波长之比是一个很重要的参数。他决定了具体应用矩量法的途径。如果目标特征尺度可以与波长比较，则可以采用一般的矩量法；如果目标很大而特征尺度又包括了一个很大的范围，那么就需要选择一个合适的离散方式和离散基函数。受计算机内存和计算速度影响，有些二维和三维问题用矩量法求解是非常困难的，因为计算的存储量通常与N2或者N3成正比（N为离散点数），而且离散后出现病态矩阵也是一个难以解决的问题。这时需要较高的数学技巧，如采用小波展开，选取合适的小波基函数来降维等〔3〕。 （3）时域有限差分方法 时域有限差分（FDTD）是电磁场的一种时域计算方法。传统上电磁场的计算主要是在频域上进行的，这些年以来，时域计算方法也越来越受到重视。他已在很多方面显示出独特的优越性，尤其是在解决有关非均匀介质、任意形状和复杂结构的散射体以及辐射系统的电磁问题中更加突出。FDTD法直接求解依赖时间变量的麦克斯韦旋度方程，利用二阶精度的中心差分近似把旋度方程中的微分算符直接转换为差分形式，这样达到在一定体积内和一段时间上对连续电磁场的数据取样压缩。电场和磁场分量在空间被交叉放置，这样保证在介质边界处切向场分量的连续条件自然得到满足。在笛卡儿坐标系电场和磁场分量在网格单元中的位置是每一磁场分量由4个电场分量包围着，反之亦然。 这种电磁场的空间放置方法符合法拉第定律和安培定律的自然几何结构。因此FDTD算法是计算机在数据存储空间中对连续的实际电磁波的传播过程在时间进程上进行数字模拟。而在每一个网格点上各场分量的新值均仅依赖于该点在同一时间步的值及在该点周围邻近点其他场前半个时间步的值。这正是电磁场的感应原理。这些关系构成FDTD法的基本算式，通过逐个时间步对模拟区域各网格点的计算，在执行到适当的时间步数后，即可获得所需要的结果。 在上述算法中，时间增量Δt和空间增量Δx，Δy和Δz不是相互独立的，他们的取值必须满足一定的关系，以避免数值不稳定。这种不稳定表现为在解显式 差分方程时随着时间步的继续计算结果也将无限制的67增加。为了保证数值稳定性必须满足数值稳定条件： 其中：（对非均匀区域，应选c的最大值）〔4〕。 用差分方法对麦克斯韦方程的数值计算还会在网格中引起所模拟波模的色散，即在FDTD网格中数字波模的传播速度将随波长、在网格中的传播方向以及离散化的情况而改变。这种色散将导致非物理原因引起的脉冲波形的畸变、人为的各向异性及虚拟的绕射等，因此必须考虑数值色散问题。如果在模拟空间中采用大小不同的网格或包含不同的介质区域，这时网格尺寸与波长之比将是位置的函数，在不同网格或介质的交界面处将出现非物理的绕射和反射现象，对此也应该进行定量的研究，以保证正确估计FDTD算法的精度。在开放问题中电磁场将占据无限大空间，而由于计算机内存总是有限的，只能模拟有限空间，因此差分网格在某处必将截断，这就要求在网格截断处不引起波的明显反射，使对外传播的波就像在无限大空间中传播一样。这就是在截断处设置吸收边界条件，使传播到截断处的波被边界吸收而不产生反射，当然不可能达到完全没有反射，目前已创立的一些吸收边界条件可达到精度上的要求，如Mur所导出的吸收边界条件。 （4）复射线方法 复射线是用于求解波场传播和散射问题的一种高频近似方法。他根据几何光学理论和几何绕射理论的分析方法和计算公式，在解析延拓的复空间中求解复射线轨迹和场的振幅和相位，从而直接得出局部不均匀波（凋落波）的传播和散射规律〔5〕。复射线方法是包括复射线追踪、复射线近轴近似、复射线展开以及复绕射线等处理技术在内的一系列处理方法的统称。其共同特点在于：通过将射线参考点坐标延拓到复空间而建立了一个简单而统一的实空间中波束／射线束（Bundle ofrays）分析模型；通过费马原理及其延拓，由基于复射线追踪或复射线近轴近似的处理技术，构造了射线光学架构下有效的鞍点场描述方法等。例如，复射线追踪法将射线光学中使用的射线追踪方法和场强计算公式直接地解析延拓到复空间，利用延拓后的复费马原理进行复射线搜索，从而求出复射线轨迹和复射线场。这一方法的特点在于可以基于射线光学方法有效地描述空间中波束的传播，因此，提供了一类分析波束传播的简便方法。其不足之处是对每一个给定的观察点必须进行一次二维或四维的复射线轨迹搜索，这是一个十分花费时间的计算机迭代过程。 4 几种方法的比较和进展 将有限元法移植到电磁工程领域还是二十世纪六七十年代的事情，他比较新颖。有限元法的优点是适用于具有复杂边界形状或边界条件、含有复杂媒质的定解问题。这种方法的各个环节可以实现标准化，得到通用的计算程序，而且有较高的计算精度。但是这种方法的计算程序复杂冗长，由于他是区域性解法，分割的元素数和节点数较多，导致需要的初始数据复杂繁多，最终得到的方程组的元数很大，这使得计算时间长，而且对计算机本身的存储也提出了要求。对电磁学中的许多问题，有限元产生的是带状（如果适当地给节点编号的话）、稀疏阵（许多矩阵元素是0）。但是单独采用有限元法只能解决开域问题。用有限元法进行数值分析的第一步是对目标的离散，多年来人们一直在研究这个问题，试图找到一种有效、方便的离散方法，但由于电磁场领域的特殊性，这个问题一直没有得到很好的解决。问题的关键在于一方面对复杂的结构，一般的剖分方法难于适用；另一方面，由于剖分的疏密与最终所形成的系数矩阵的存贮量密切相关，因而人们采用了许多方法来减少存储量，如多重网格法，但这些方法的实现较为困难〔6〕。 网格剖分与加密是有限元方法发展的瓶颈之一，采用自适应网格剖分和加密技术相对来说可以较好地解决这一问题。自适应网格剖分根据对场量分布求解后的结果对网格进行增加剖分密度的调整，在网格密集区采用高阶插值函数，以进一步提高精度，在场域分布变化剧烈区域，进行多次加密。 这些年有限元方法的发展日益加快，与其他理论相结合方面也有了新的进展，并取得了相当应用范围的成果，如自适应网格剖分、三维场建模求解、耦合问题、开域问题、高磁性材料及具有磁滞饱和非线性特性介质的处理等，还包括一些尚处于探索阶段的工作，如拟问题、人工智能和专家系统在电磁装置优化设计中的应用、边基有限元法等，这些都使得有限元方法的发展有了质的飞跃。 矩量法将连续方程离散化为代数方程组，既适用于求解微分方程，又适用于求解积分方程。他的求解过程简单，求解步骤统一，应用起来比较方便。然而 77他需要一定的数学技巧，如离散化的程度、基函数与权函数的选取，矩阵求解过程等。另外必须指出的是，矩量法可以达到所需要的精确度，解析部分简单，可计算量很大，即使用高速大容量计算机，计算任务也很繁重。矩量法在天线分析和电磁场散射问题中有比较广泛地应用，已成功用于天线和天线阵的辐射、散射问题、微带和有耗结构分析、非均匀地球上的传播及人体中电磁吸收等。 FDTD用有限差分式替代时域麦克斯韦旋度方程中的微分式，得到关于场分量的有限差分式，针对不同的研究对象，可在不同的坐标系中建模，因而具有这几个优点，容易对复杂媒体建模，通过一次时域分析计算，借助傅里叶变换可以得到整个同带范围内的频率响应；能够实时在现场的空间分布，精确模拟各种辐射体和散射体的辐射特性和散射特性；计算时间短。但是FDTD分析方法由于受到计算机存储容量的限制，其网格空间不能无限制的增加，造成FDTD方法不能适用于较大尺寸，也不能适用于细薄结构的媒质。因为这种细薄结构的最小尺寸比FDTD网格尺寸小很多，若用网格拟和这类细薄结构只能减小网格尺寸，而这必然导致计算机存储容量的加大。因此需要将FDTD与其他技术相结合，目前这种技术正蓬勃发展，如时域积分方程／FDTD方法，FDTD／MOM等。FDTD的应用范围也很广阔，诸如手持机辐射、天线、不同建筑物结构室内的电磁干扰特性研究、微带线等〔7〕。 复射线技术具有物理模型简单、数学处理方便、计算效率高等特点，在复杂目标散射特性分析等应用领域中有重要的研究价值。典型的处理方式是首先将入射平面波离散化为一组波束指向平行的复源点场，通过特定目标情形下的射线追踪、场强计算和叠加各射线场的贡献，可以得到特定观察位置处散射场的高频渐进解。目前已运用复射线分析方法对飞行器天线和天线罩（雷达舱）、（加吸波涂层）翼身结合部和进气道以及涂层的金属平板、角形反射器等典型目标散射特性进行了成功的分析。尽管复射线技术的计算误差可以通过参数调整得到控制，但其本身是一种高频近似计算方法，由于入射波场的离散和只引入鞍点贡献，带来了不可避免的计算误差。总的来说复射线方法在目标电磁散射领域还是具有独特的优势，尤其是对复 杂目标的处理。 5 结 语 电磁学的数值计算方法远远不止以上所举，还有边界元素法、格林函数法等，在具体问题中，应该采用不同的方法，而不应拘泥于这些方法，还可以把这些方法加以综合应用，以达到最佳效果。 电磁学的数值计算是一门计算的艺术，他横跨了多个学科，是数学理论、电磁理论和计算机的有机结合。原则上讲，从直流到光的宽频带范围都属于他的研究范围。为了跟上世界科技发展的需要，应大力进行电磁场的并行计算方法的研究，不断拓广他的应用领域，如生物电磁学、复杂媒质中的电磁正问题和逆问题、医学应用、微波遥感应用、非线性电磁学中的混沌与分叉、微电子学和纳米电子学等。 参考文献 〔1〕 文舸一．计算电磁学的进展与展望〔J〕．电子学报，1995，23（10）：62-69. 〔2〕 刘圣民．电磁场的数值方法〔M〕．武汉：华中理工大学出版社，1991． 〔3〕 张成，郑宏兴．小波矩量法求解电磁场积分方程〔J〕．宁夏大学学报（自然科学版），2000，21（1）：76-79. 〔4〕 王长清．时域有限差分(FD-TD)法〔J〕．微波学报,1989,(4):8-18. 〔5〕 阮颖诤．复射线理论及其应用〔M〕．成都：电子工业出版社，1991． 〔6〕 方静，汪文秉．有限元法和矩量法结合分析背腔天线的辐射特性〔J〕．微波学报，2000，16(2):139-143. 〔7〕 杨永侠，王翠玲．电磁场的FDTD分析方法〔J〕．现代电子技术,2001,(11):73-74. 〔8〕 洪伟．计算电磁学研究进展〔J〕．东南大学学RB （自然科学版），2002，32（3）：335-339. 〔9〕 王长清，祝西里．电磁场计算中的时域有限差分法〔M〕．北京：北京大学出版社，1994． 〔10〕 楼仁海，符果行，袁敬闳．电磁理论〔M〕．成都：电子科技大学出版社，1996． 现代电子技术
颜色：白 物理气味：酸 物理酸碱：酸 化学
孩子你太狠了。我汗颜。
我与物理学，就是讲你和物理学的事情，你自己最清楚，把你自己的真实感情写下来就是了。不要什么都抄，说学术你可能不会，可你这个貌似和学术没什么关系，文章也没多少技术含量，能自己写就自己写吧，写写培养自己的能力，对自己是有好处滴。
给你几个例子,你再写个开头结尾,组织下语言就可以了例如，在物态变化一章的教学中的汽化一节，讲清物理规律，即：蒸发和沸腾是汽化的两种方式。前者只能在液体表面上缓慢进行，可在任何温度下发生，而沸腾在液体表面和内部同时发生的剧烈汽化现象，并只能在一定的温度下进行。它们共同点都是要吸收热。汽化是自然界普遍存在的现象，同人类生活实际密切相关，在生产、生活中有普遍的应用。同学们，你知道下面这些道理吗？ 一、 水为什么能灭火。 当发生火灾时，消防队员常用水来灭火，水对灭火起什么作用呢？ 首先，水一接触炽热的物体，会立刻升温汽化成水蒸汽，我们知道汽化要吸热，从炽热物体上吸取大量的热。冷水升温到100摄氏度需要吸热，沸腾的水变成水蒸汽吸的热是同质量的冷水加热到100摄氏度的吸热的五倍多，从而起到降温灭火作用。 其次，水蒸汽的体积要比等质量水的体积大好几百倍，这么多的水蒸汽在燃烧体的周围，使燃烧体不能充分与空气接触，燃烧也就不容易进行了。 这里必须说明：并非任何大火都用水扑灭，例如油类着火，绝不能用水来扑灭，而只能用二氧化碳泡沫灭火器或用其它隔绝空气的方法来灭火。 二、 天气的冷暖不一定由气温决定 也许有同学会说：谁不知道气温高就热、气温低就冷。但实际并不都是这样。我们都有这种体会：冬天有风的时候更冷，其道理是什么？如果把温度计放在风中吹，这时的气体温度并不会下降。冷天，人在风中感到特别冷，首先，从人体的裸露部分，如、头、脸、手散掉的热比无风时多得多，单这一点，已足够使我们引起冷的感觉了。 但还有一个重要的原因，我们的皮肤时刻在蒸发水分，而蒸发吸热有致冷作用。同学们可做这样的小实验。在自己的手背上抹上一点酒精，并用嘴吹一吹，会感到特别凉在有风的天气中，皮肤表面水分的蒸发快，吸取身体较多的热，所以感到更冷。 根据上面的道理，人们在生产与生活中采取了许多保温和降温措施，下面略举几例：1、高烧病人或中暑病人用物理降温，即在病人的额头和其他皮肤上涂抹酒精，使酒精吸取身体的热而达到退烧目的。2、夏天教室内洒水用水分蒸发来降温散热。3、在寒冷的冬天，人们常关着门窗，而在夏天则保持室内空气流动。4、冬天洗头后最好用电吹风把头发吹干，如果让其自然干，势必吸取头部大量的热，则有发生感冒的可能。5、火箭头上涂上一层特殊材料，这种材料在高温下熔化并汽化，熔化和汽化都要吸热，使火箭温度不致过高，因而不致被烧毁。 三、 沸水温度即沸点并非都是100摄氏度 沸水的温度同气压有关。我们知道，大气压随高度的增加而减小。高度每上升300米，沸水温度即沸点就降低1摄氏度，照此计算，在珠穆朗玛峰上烧水，70摄氏度左右水就沸腾了。相反在低于海平面1000米的矿井中，水的沸点是103摄氏度，在14个大气压的蒸汽锅炉内，水的沸点是200摄氏度，所以应该说：在一个标准大气下，纯水的沸点才是100摄氏度。高山上煮食品不易熟，为了煮熟食品，山地居民常在密闭的锅盖上压石头。增大压强提高沸点。现代人已发明并普遍使用了压力锅，锅内气压在个大气压以上，可任何地区使用，锅温度远超过100摄氏度，煮熟食品既快又方便多了。在制糖工业上，也采用了类似方法降低沸点，不但节省燃料，提高生产效率，还保证了糖不致温度过高而变质。 此外，还在水中加一些酸碱盐之类物质，它的沸点也会提高。因此煮熟食品时，加一点盐，食品就容易煮熟煮烂。 四、 煮食品时，火越旺越快吗？ 有些人认为，为了尽快煮熟食品，把火烧得大一些就行了。结果是达不到目的。因为水沸腾时温度是不变的，即使再加大火力，也不能提高水温，而结果只是加快水的汽化，使锅的水干得快而已，白白的浪费了燃料。正确的方法是用大火把水烧开后就改用小火，保持锅的水一真沸腾，就行了。
一, 生物信息学发展简介生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在[1],1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌()中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,"生物信息学"正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是"读懂"基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计[2].了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.二, 生物信息学的主要研究方向生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.1,序列比对(Sequence Alignment)序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义[3]:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.2, 蛋白质结构比对和预测基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.3, 基因识别,非编码区分析研究.基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(HiddenMarkov Model)和GENSCAN,Splice Alignment等等.4, 分子进化和比较基因组学分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因Paralogous: 相同种族,不同功能的基因Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.5, 序列重叠群(Contigs)装配根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.6, 遗传密码的起源通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.7, 基于结构的药物设计人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.8, 其他如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.三, 生物信息学与机器学习生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究竟原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效[4].机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能[5].机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用"黑箱"操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.四, 生物信息学的数学问题生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.1, 统计学的悖论数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显著的悖论莫过于均值了,如图1:图1 两组同心圆的数据集图1是两组同心圆构成的数据集,显然,两组数据集的均值均在圆点,这也就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于对数据的结构缺乏一般性认识而产生的.2, 度量空间的假设在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.五, 几种统计学习理论在生物信息学中应用的困难生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论[8],Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.六, 讨论与总结人类对基因的认识,从以往的对单个基因的了解,上升到在整个基因组水平上考察基因的组织结构和信息结构,考察基因之间在位置,结构和功能上的相互关系.这就要求生物信息学在一些基本的思路上要做本质的观念转变,本节就这些问题做出探讨和思索.启发式方法:Simond在人类的认知一书中指出,人在解决问题时,一般并不去寻找最优的方法,而只要求找到一个满意的方法.因为即使是解决最简单的问题,要想得到次数最少,效能最高的解决方法也是非常困难的.最优方法和满意方法之间的困难程度相差很大,后者不依赖于问题的空间,不需要进行全部搜索,而只要能达到解决的程度就可以了.正如前所述,面对大规模的序列和蛋白质结构数据集,要获得全局结果,往往是即使算法复杂度为线性时也不能够得到好的结果,因此,要通过变换解空间或不依赖于问题的解空间获得满意解,生物信息学仍需要人工智能和认知科学对人脑的进一步认识,并从中得到更好的启发式方法.问题规模不同的处理:Marvin Minsky在人工智能研究中曾指出:小规模数据量的处理向大规模数据量推广时,往往并非算法上的改进能做到的,更多的是要做本质性的变化.这好比一个人爬树,每天都可以爬高一些,但要想爬到月球,就必须采用其他方法一样.在分子生物学中,传统的实验方法已不适应处理飞速增长的海量数据.同样,在采用计算机处理上,也并非依靠原有的计算机算法就能够解决现有的数据挖掘问题.如在序列对齐(sequence Alignment)问题上,在小规模数据中可以采用动态规划,而在大规模序列对齐时不得不引入启发式方法,如BALST,FASTA.乐观中的隐扰生物信息学是一门新兴学科,起步于20世纪90年代,至今已进入"后基因组时代",目前在这一领域的研究人员均呈普遍乐观态度,那么,是否存在潜在的隐扰呢不妨回顾一下早期人工智能的发展史[11],在1960年左右,西蒙曾相信不出十年,人类即可象完成登月一样完成对人的模拟,造出一个与人智能行为完全相同的机器人.而至今为止,这一诺言仍然遥遥无期.尽管人工智能研究得到的成果已经渗入到各个领域,但对人的思维行为的了解远未完全明了.从本质来看,这是由于最初人工智能研究上定位错误以及没有从认识论角度看清人工智能的本质造成的;从研究角度来看,将智能行为还原成一般的形式化语言和规则并不能完整描述人的行为,期望物理科学的成功同样在人工智能研究中适用并不现实.反观生物信息学,其目的是期望从基因序列上解开一切生物的基本奥秘,从结构上获得生命的生理机制,这从哲学上来看是期望从分子层次上解释人类的所有行为和功能和致病原因.这类似于人工智能早期发展中表现的乐观行为,也来自于早期分子生物学,生物物理和生物化学的成就.然而,从本质上来讲,与人工智能研究相似,都是希望将生命的奥秘还原成孤立的基因序列或单个蛋白质的功能,而很少强调基因序列或蛋白质组作为一个整体在生命体中的调控作用.我们因此也不得不思考,这种研究的最终结果是否能够支撑我们对生物信息学的乐观呢 现在说肯定的话也许为时尚早.综上所述,不难看出,生物信息学并不是一个足以乐观的领域,究竟原因,是由于其是基于分子生物学与多种学科交叉而成的新学科,现有的形势仍表现为各种学科的简单堆砌,相互之间的联系并不是特别的紧密.在处理大规模数据方面,没有行之有效的一般性方法;而对于大规模数据内在的生成机制也没有完全明了,这使得生物信息学的研究短期内很难有突破性的结果.那么,要得到真正的解决,最终不能从计算机科学得到,真正地解决可能还是得从生物学自身,从数学上的新思路来获得本质性的动力.毫无疑问,正如Dulbecco1986年所说:"人类的DNA序列是人类的真谛,这个世界上发生的一切事情,都与这一序列息息相关".但要完全破译这一序列以及相关的内容,我们还有相当长的路要走.（来源 ------[ | 生物信息学研讨组]）生物信息学（Bioinformatics）是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。生物信息学是一门利用计算机技术研究生物系统之规律的学科。目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学 姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。 原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。
这种最基本的东西没必要求论文啊，自己随便写写就好了，用个DNAMAN，随便挑个基因，分分钟搞出来。再者没人会拿这种东西单独去发一篇论文吧？这点东西根本不够资格，只够在某篇论文里的两句话的分量。
谁一个、、论文不才交么……生物信息在生物学研究中的作用。生物信息是指生物体中包含的全部信息，如基因组信息、蛋白质、核酸、糖类等生物大分子的结构等。生物信息对生物体的生存、繁殖都起着重要作用。生物信息包含的范围很广，除遗传物质、神经电冲动和激素之外，生物体发出的声音、气味、颜色以及生物的行为本身都含有信息，都对生物的个体和群体产生影响，和生物的生存与进化密不可分。生物信息的特点是消耗极少的能量和物质即可产生极大的生物效应。生物信息一般可分为遗传信息、神经和感觉信息及化学信息。虽然遗传信息和神经感觉信息的载体都属于化学物质，但通常所指的化学信息是除以上两类物质以外的化学物质所携带和传递的信息。高等生物的激素及昆虫外激素都属于这一类。遗传信息是指生物为复制与自己相同的东西、由亲代传递给子代、或各细胞每次分裂时由细胞传递给细胞的信息, 即碱基对的排列顺序(或指DNA分子的脱氧核苷酸的排列顺序） 。遗传信息以密码形式存储在DNA分子上，通过DNA的复制传递给子代。在后代生长发育过程中，遗传信息自DNA转录给RNA，后翻译成特异的蛋白质，以执行各种生命功能。从历史上看，首先是由（1866）的研究形成了概念，即相应于生物各种性状的因素（现在称为基因）中包含着相应的信息（以后等人（1941）所开创了遗传生物化学的研究，描绘出这样一个轮廓：基因和决定生物结构与功能的蛋白质之间具有一对一的对应关系。 关于基因的化学本质方面，根据等（1944）进行的转化实验，以及和（1952）用大肠杆菌噬菌体的DNA进行的性状表达实验，已阐明DNA是遗传信息的载体。附着DNA结构研究的进展，现在已经确立了这样的概念，即基因所具有的信息可将DNA的碱基排列进行符号化。信息在表达时，DNA的碱基排列首先被转录成RNA的碱基排列，然后再根据这种排列合成蛋白质。有的病毒的遗传信息的载体不是DNA，而是RNA。遗传信息不仅有相应于蛋白质的基因信息，也包括对信息解读所必需的信息、控制信息表达所必需的信息，以及生物为了复制与自己相同结构所必需的一切信息。神经和感觉信息靠电脉冲和神经递质携带和传递。神经系统接受内外环境中的信息，进行加工处理，调节和控制机体各部分功能。生物靠神经系统电脉冲和神经递质携带和传递。神经系统的功能是接收、传递内外环境中的信息，加以处理、分析,从而控制和调节机体各部功能,对环境作出适当的反应。因此，神经信息对于有机体的生存以及正常生活起着至关重要的作用。化学信息是除上述两类物质外由化学介质传递的信息。生物体的各种功能能够有条不紊地进行，对环境能及时做出反应，是由于生物体内存在着通过各种各样的化学信息分子进行传递的信息系统。生物信息在生物研究中有重要作用，然而，原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。因此，生物信息学便是生物信息在生物研究中重要应用。 生物信息学是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。生物信息学研究对象是生物信息。其研究重点主要体现在基因组学和蛋白学两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。 具体而言，生物信息学作为一门新的学科领域，它是把基因组DNA序列信息分析作为源头，在获得蛋白质编码区的信息后进行蛋白质空间结构模拟和预测，然后依据特定蛋白质的功能进行必要的药物设计。基因组信息学,蛋白质空间结构模拟以及药物设计构成了生物信息学的3个重要组成部分。从生物信息学研究的具体内容上看，生物信息学应包括这3个主要部分：(1)新算法和统计学方法研究；(2)各类数据的分析和解释；(3)研制有效利用和管理数据新工具。 生物信息学作为基因组研究的有力武器，被广泛地用来加快新基因的寻找过程，以达到将“有用”新基因抢先注册专利的目的。在这场世界范围内的竞争中，中国科学家以及科研资金投向的决策部门如何结合我国科研水平的现状、优势领域等客观情况将有限的投资投入以求获得最大可能的科学研究以及商业回报，是一个无法回避的新课题。 生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学，随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。 综上所述,对生物信息的研究对生物学的蓬勃发展具有重要作用。
1,序列比对(Sequence Alignment) 序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的. 2, 蛋白质结构比对和预测 基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要. 3, 基因识别,非编码区分析研究. 基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等. 4, 分子进化和比较基因组学 分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现. 5, 序列重叠群(Contigs)装配 根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题. 6, 遗传密码的起源 通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材. 7, 基于结构的药物设计 人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益. 8.生物系统的建模和仿真 随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。 9.生物信息学技术方法的研究 生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。 10, 生物图像 没有血缘关系的人，为什么长得那么像呢？ 外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？ 有什么生物学基础？基因是不是相似？我不知道，希望专家解答。 11, 其他 如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学,成为系统生物学的重要研究方法.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.